| 摘要 | 第1-4页 |
| ABSTRACT | 第4-7页 |
| 1 绪论 | 第7-11页 |
| ·研究背景和意义 | 第7-8页 |
| ·国内外交通流量预测的研究现状 | 第8-10页 |
| ·交通流量模型 | 第8页 |
| ·交通流量预测 | 第8-10页 |
| ·本论文研究内容及组织结构 | 第10-11页 |
| 2 磁阻车辆检测器和交通流采集设备的设计与实现 | 第11-32页 |
| ·基于磁阻传感器的车辆检测器的设计 | 第11-21页 |
| ·车辆检测器概述 | 第11-12页 |
| ·车辆检测原理及磁阻传感器简介 | 第12-14页 |
| ·检测器系统硬件设计 | 第14-18页 |
| ·检测器软件设计 | 第18-21页 |
| ·交通流采集设备的设计实现 | 第21-31页 |
| ·系统硬件设计及实现 | 第21-26页 |
| ·基于GPRS的通信模块 | 第26-29页 |
| ·交通流采集设备软件功能实现 | 第29-31页 |
| ·本章小结 | 第31-32页 |
| 3 信息融合和神经网络概述 | 第32-44页 |
| ·信息融合技术 | 第32-34页 |
| ·信息融合概念 | 第32页 |
| ·信息融合的模型和层次 | 第32-33页 |
| ·信息融合的算法 | 第33-34页 |
| ·神经网络 | 第34-39页 |
| ·神经网络研究的发展简史 | 第34-36页 |
| ·神经网络的模型 | 第36-37页 |
| ·神经网络的工作方式 | 第37页 |
| ·神经网络的学习规则 | 第37-39页 |
| ·神经网络的基本性质及应用 | 第39页 |
| ·神经网络和信息融合关系 | 第39-42页 |
| ·基于信息融合技术的神经网络交通流预测框图 | 第42-43页 |
| ·交通流数据层的融合 | 第42-43页 |
| ·交通流决策层的融合 | 第43页 |
| ·本章小结 | 第43-44页 |
| 4 基于RBF神经网络的融合预测的研究 | 第44-51页 |
| ·RBF神经网络 | 第44-47页 |
| ·RBF神经网络模型 | 第45-46页 |
| ·RBF神经网络学习算法 | 第46-47页 |
| ·基于GA的RBF学习算法 | 第47-50页 |
| ·RBF神经网络学习算法 | 第47-50页 |
| ·基于GA的RBF学习算法 | 第50页 |
| ·本章小结 | 第50-51页 |
| 5 预测模型的仿真研究 | 第51-61页 |
| · | 第51-53页 |
| ·交通流量预测原理 | 第51页 |
| ·交通流量数据的获取 | 第51-52页 |
| ·交通流量数据预处理 | 第52页 |
| ·预测模型评价指标 | 第52-53页 |
| · | 第53-60页 |
| ·短时(以2分钟为观测尺度)交通流量预测仿真研究 | 第53-56页 |
| ·短时(以10分钟为观测度尺度)交通流量预测仿真研究 | 第56-60页 |
| ·本章小结 | 第60-61页 |
| 6 交通流采集和预测系统软件设计 | 第61-67页 |
| ·系统设计 | 第61-66页 |
| ·系统开发环境 | 第61页 |
| ·系统总体结构设计 | 第61-62页 |
| ·系统各模块功能 | 第62-64页 |
| ·模块处理流程 | 第64-65页 |
| ·操作主界面 | 第65-66页 |
| ·本章小结 | 第66-67页 |
| 7 结论 | 第67-69页 |
| 参考文献 | 第69-72页 |
| 个人简介 | 第72-73页 |
| 导师简介 | 第73-74页 |
| 获得成果目录清单 | 第74-75页 |
| 致谢 | 第75页 |